Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
Die Reanalyse von Nested-Association-Mapping-Daten bei Reis zeigt, dass die Phänotypisierung eines kleinen Teils (5–15 %) einer Zielfamilie und die Einbeziehung dieser Datensätze in genomische Vorhersagemodelle die prädiktive Fähigkeit innerhalb der Familie sowie den Ertrag der selektierten Linien im Vergleich zur ausschließlichen Nutzung anderer Familien oder alleiniger Modellflexibilität signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Jedes Jahr stehen Reiszüchter in einem Wettlauf gegen die Zeit und das Budget. Sie kreuzen verschiedene Reissorten, um neue Familien von Pflanzen zu erschaffen, in der Hoffnung, Linien zu finden, die mehr Korn produzieren. Der ultimative Test besteht darin, diese Pflanzen im Feld anzubauen und ihren Ertrag zu messen, aber dieser Prozess ist langsam, teuer und erfordert riesige Mengen an Land. Bis die Daten eintreffen, ist der Züchtungszyklus bereits weiter vorangeschritten. Um dies zu beschleunigen, nutzen Wissenschaftler die genomische Vorhersage – eine Methode, die die DNA einer Pflanze betrachtet, um deren Leistungsfähigkeit vorherzusagen, noch bevor sie überhaupt gepflanzt wird. Die Herausforderung entsteht, wenn ein Züchter eine brandneue Familie von Reislinien besitzt, die noch nie im Feld getestet wurde. Ohne jegliche Ertragsdatensätze für diese spezifische Familie muss das Modell basierend auf Daten aus anderen, älteren Familien raten. Diese Schätzungen sind oft schwach, da die neue Familie eine einzigartige Genmischung trägt, die die alten Daten nicht vollständig erfassen.
Die Frage, die sich Forscher gestellt haben, lautet, wie sie diese Schätzungen verbessern können, wenn der Platz im Feld begrenzt ist. Züchter haben zwei Hauptoptionen. Sie können einen Teil ihres begrenzten Feldeinsatzes nutzen, um einen kleinen Teil der Linien der neuen Familie zu messen und diese frischen, relevanten Daten dem Modell hinzuzufügen. Oder sie können auf die zusätzliche Feldarbeit verzichten und stattdessen zu einem komplexeren mathematischen Modell wechseln, das versucht, tiefere Muster in den bestehenden Daten zu finden. Es war unklar, welcher Ansatz eine bessere Rendite bietet: die Kosten für die Messung einiger zusätzlicher Pflanzen oder die Kosten für die Verwendung eines anspruchsvolleren Computeralgorithmus.
In einer kürzlich durchgeführten Studie untersuchten Forscher der Universität Hokkaido eine große Sammlung von Reiszüchtungsdaten, um diese Debatte zu klären. Sie konzentrierten sich auf fünfzehn verschiedene Reisfamilien, die alle einen gemeinsamen Elternteil teilten, aber mit fünfzehn verschiedenen Partnern gekreuzt wurden. Dieser Aufbau schuf ein perfektes Laboratorium, um zu testen, wie gut ein Modell die Leistung von Geschwistern vorhersagt, wenn es nur wenige Datensätze aus dieser spezifischen Familie besitzt. Das Team legte eine strikte Regel fest: Sie hatten ein festes Budget von 2.000 Ertragsdatensätzen für jede Vorhersageaufgabe zur Verfügung. Dann testeten sie vier verschiedene Strategien. In zwei Strategien verwendeten sie ein Standard-, lineares Modell. In den anderen beiden verwendeten sie ein flexibleres, nicht-lineares Modell, das in der Lage ist, komplexe Interaktionen zwischen Genen zu erkennen. Für die Hälfte dieser Strategien füllten sie das gesamte Budget von 2.000 Datensätzen mit Daten aus den anderen vierzehn Familien. Für die andere Hälfte nahmen sie 100 Datensätze von den anderen Familien weg und nutzten sie, um einen kleinen Teil der Zielfamilie selbst zu messen – etwa 5 bis 15 Prozent der Linien in dieser neuen Familie.
Die Ergebnisse waren eindeutig und konsistent. Die Messung eines kleinen Teils der neuen Familie verbesserte die Genauigkeit der Vorhersagen für den Rest dieser Familie erheblich. Als die Forscher 100 Datensätze aus anderen Familien gegen 100 Datensätze aus der Zielfamilie austauschten, verbesserte sich die Fähigkeit des Modells, die Pflanzen korrekt zu ranken, merklich. Diese Verbesserung trat sowohl beim einfachen linearen Modell als auch beim komplexen nicht-linearen Modell auf. Tatsächlich schnitt das einfache Modell, wenn es mit einigen Datensätzen aus der neuen Familie gefüttert wurde, besser ab als das komplexe Modell, wenn es gar keine Datensätze aus dieser Familie hatte. Das komplexe Modell allein, ohne jegliche neue Daten aus der Zielfamilie, bot nur eine winzige, fast vernachlässigbare Verbesserung gegenüber dem einfachen Modell. Die besten Ergebnisse wurden erzielt, wenn die Forscher beide Ansätze kombinierten: indem sie das flexible Modell verwendeten und gleichzeitig die 100 Datensätze der neuen Familie einbezogen.
Die Studie untersuchte auch das praktische Ergebnis: Führten diese besseren Vorhersagen tatsächlich dazu, höher ertragreiche Pflanzen auszuwählen? Die Antwort war im Allgemeinen ja. Wenn die Züchter die obersten 10 Prozent der Linien basierend auf Vorhersagen auswählten, die die Datensätze der neuen Familie enthielten, produzierten diese ausgewählten Linien im Durchschnitt mehr Korn als Linien, die ohne diese Daten ausgewählt wurden. Dies war besonders deutlich an einem der zwei Teststandorte in China. Die Forscher merkten jedoch an, dass der Vorteil an dem zweiten Standort nicht immer statistisch signifikant war, was darauf hindeutet, dass Umweltbedingungen beeinflussen können, wie sehr diese zusätzlichen Datensätze helfen.
Vielleicht die wichtigste Erkenntnis war, dass der Nutzen der Messung einiger Pflanzen in der neuen Familie robust war. Es blieb bestehen, unabhängig davon, ob die Forscher das einfache oder das komplexe Modell verwendeten, und es blieb bestehen, selbst wenn sie die mathematischen Einstellungen der Modelle anpassten. Die Studie legt nahe, dass für Zuchtprogramme, die mit verwandten Familien arbeiten, die effektivste Strategie darin besteht, einen kleinen Bruchteil des Feldfachs der Messung einiger Linien aus der neuen Familie zu widmen. Diese kleine Investition in Daten liefert einen stärkeren Schub für die Vorhersagegenauigkeit als der bloße Wechsel zu einem komplizierteren Computeralgorithmus. Die Forscher kamen zu dem Schluss, dass komplexe Modelle zwar ihren Platz haben, aber die Werte realer Daten aus der spezifisch gezüchteten Familie nicht ersetzen können. Für Züchter, die versuchen, die besten Entscheidungen mit begrenzten Ressourcen zu treffen, ist der zuverlässigste Weg, ein wenig von der neuen Familie zu messen und diese Informationen zu nutzen, um die Auswahl des Rests zu leiten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.